Matlab：基于颜色的细分

之所以得到不同的结果，是因为您的颜色分割算法使用了k -means聚类。我假设您不知道这是什么，因为熟悉它的工作原理的人会立即告诉您，这就是为什么您每次都能获得不同结果的原因。实际上，每次运行此代码后得到的不同结果都是k -means聚类的自然结果，我将解释原因。

它的工作方式是，对于您拥有的某些数据，您要将其分组为k个组。最初，您在数据中选择了k个随机点，这些随机点的标签为1,2,...,k。这些就是我们所说的质心。然后，您确定其余数据与这些点的距离有多近。然后，您可以对这些点进行分组，以便无论哪个点最接近这k个点中的任何一个，都可以将这些点分配为属于该特定组（1,2,...,k）。之后，针对每个组的所有点，更新质心，实际上将质心定义为每个组的代表点。对于每个组，您需要计算k个点中所有点的平均值组。这些成为下一次迭代的新质心。在下一次迭代中，您将确定数据中的每个点与每个形心的接近程度。您不断迭代并重复此行为，直到质心不再移动或它们很少移动为止。

这对上面的代码的适用方式是您正在拍摄图像，并且只想使用k种可能的颜色表示图像。因此，这些可能的颜色中的每一个将是一个质心。一旦找到每个像素所属的群集，就可以将像素的颜色替换为该像素所属的群集的质心。因此，对于图像中的每个彩色像素，您都需要决定用哪种像素可以最好地代表k种可能的颜色。之所以进行颜色分割，是因为您将图像分割为仅属于k种可能的颜色。从更一般的意义上讲，这就是所谓的无监督分割。

现在，回到k-均值。如何选择初始质心是获得不同结果的原因。您以默认方式调用k -means，它将自动确定算法将从中选择哪些初始点。因此，不能保证每次调用算法时都会生成相同的初始点。如果您想重复相同的分段，无论调用多少次kmeans，都需要自己指定初始点。这样，您将需要修改k -means调用，使其看起来像这样：

[cluster_idx, cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ...
                                      'Replicates', 3, 'start', seeds);

注意，调用是相同的，但是我们在k -means调用中添加了两个附加参数。该标志start意味着您正在指定初始点，并且seeds是一个k x p数组，其中k是您想要的组数。在这种情况下，这与相同nColors，即3.p是数据的维度。由于您要转换和重塑数据的方式，这将是2。这样，您最终将指定一个3 x 2矩阵。但是，您在Replicate那里有一个标志。这意味着k -means算法将运行您指定的特定次数，并且将输出错误量最小的分段。因此，我们将重复kmeans调用次数与此标志指定的次数相同。上述结构seeds将不再k x p，但是k x p x n，在这里n是要运行分割的次数。现在这是一个3D矩阵，其中每个2D切片确定算法每次运行的初始点。请记住这一点，以备后用。

如何选择这些点取决于您。但是，如果您想随机选择这些而不是完全由您自己决定，而是想在每次调用此函数时重现相同的结果，则应将随机种子生成器设置为一个已知数字，例如123。这样，当您生成随机点时，它将始终生成相同的点序列，因此是可重现的。因此，我会在调用之前将其添加到您的代码中kmeans。

rng(123); %// Set seed for reproducibility
numReplicates = 3;
ind = randperm(size(ab,1), numReplicates*nColors); %// Randomly choose nColors colours from data
                                                   %// We are also repeating the experiment numReplicates times

%// Make a 3D matrix where each slice denotes the initial centres for each iteration
seeds = permute(reshape(ab(ind,:).', [2 nColors numReplicates]), [2 1 3]);

%// Now call kmeans
[cluster_idx, cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ...
                                      'Replicates', numReplicates, 'start', seeds);

请记住，您指定了Replicates标志，并且我们想重复执行此算法一定次数。这是3。因此，我们需要为算法的每次运行指定初始点。因为我们将有3个点的聚类，并且将要运行3次此算法nColors * numReplicates，所以总共需要9个初始点（或）。每组初始点都必须是3D数组中的一个切片，这就是为什么您在kmeans调用之前看到该复杂语句的原因。

我将重复次数设置为变量，以便您可以更改此设置以及您的内心需求，并且仍然可以使用。纷繁复杂的语句permute，并reshape让我们能够很容易地创建点的这个3D矩阵。

请记住，randperm最近在MATLAB中对的调用仅接受第二个参数。如果上述对的调用randperm无效，请执行以下操作：

rng(123); %// Set seed for reproducibility
numReplicates = 3;
ind = randperm(size(ab,1)); %// Randomly choose nColors colours from data
ind = ind(1:numReplicates*nColors); %// We are also repeating the experiment numReplicates times

%// Make a 3D matrix where each slice denotes the initial centres for each iteration
seeds = permute(reshape(ab(ind,:).', [2 nColors numReplicates]), [2 1 3]);

%// Now call kmeans
[cluster_idx, cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ...
                                      'Replicates', numReplicates, 'start', seeds);

现在，使用上面的代码，您应该能够每次生成相同的颜色分割结果。

祝你好运！